Towards Innovative Coastal Water Quality Modelling: Harnessing Advanced Computational and Sensing Technologies. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis.pdf Restricted to Repository staff only until 9 June 2027. Download (17MB)

Arabic Abstract

زيادة العناصر الغذائية، وتغير المناخ، والضغوط البشرية تهدد جودة المياه الساحلية بشكل متزايد، حيث يلعب نيتروجين الأمونيا (NH3-N) دورًا محوريًا في عملية الإثراء الغذائي وتدهور النظم البيئية. قدمت هذه الدراسة نموذج تعلم آلي متعدد المصادر (قياسات ميدانية، ميزات مستندة إلى الأقمار الصناعية، توقعات مناخية) للتنبؤ ودراسة ديناميكيات جودة المياه الساحلية. تم إنشاء نماذج مثل الشبكات العصبية الاصطناعية، وآلات الدعم الناقل، وآلات التعلم المتطرف كنماذج أساسية، وتم التعامل مع اختيار الميزات باستخدام المعلومات المتبادلة والقضاء التكراري للميزات. تم تحسين نموذج التعلم المتطرف بشكل إضافي باستخدام خوارزميات ميتاهيورستيك؛ وقد أظهر نموذج ELM-تحسين الذئب الرمادي (GWO) أداءً أفضل (R2 = 0.96) وكان ذو دلالة إحصائية (p < 0.05) لتحسين دقة التنبؤ.بالإضافة إلى ذلك، تم تطبيق طرق التعلم الجماعي التي شملت تعزيز التدرج الأقصى، وآلة التعزيز الخفيف للتدرج، والغابة العشوائية، وتعزيز التدرج، وقد أدت نموذج Stacking-GBDT أداءً أفضل من كل نموذج على حدة، حيث أظهرت معامل التحديد (R2 = 0.882). تم استخدام سيناريوهات مشروع المقارنة المتكاملة للنماذج المرحلة 6 (SSP2-4.5 و SSP5-8.5) لتقييم آثار تغير المناخ من خلال تقدير التغيرات المستقبلية في الكلوروفيل والعكارة، ووجد أن التغيرات كانت مستقرة نسبياً عند مستويات معتدلة من الانبعاثات وقد تتغير بشكل كبير في نهاية القرن تحت الانبعاثات العالية. استخدام التضمينات (embeddings) للأقمار الصناعية عالية الأبعاد عزز من دقة النمذجة المكانية وأظهر تطابقاً جيداً مع الاتجاهات الإيكولوجية الملاحظة.قابلية تفسير نموذج SHAP، الاعتماد الجزئي وطرق التفسير المحلية المتقدمة حدَّدت العوامل الرئيسية مثل الكلوروفيل، المواد العالقة، المغذيات، الملوحة، ودرجة الحرارة مع تأثيرات غير خطية وتعتمد على العتبة. بالإضافة إلى ذلك، تم تطوير مؤشر جودة المياه الحساسة للمناخ (WQI) بناءً على طرق دلفي وAHP، وتم التحقق من صحته بواسطة نماذج التعلم الآلي، التي أكدت أن الأوكسيجين المذاب وأنواع النيتروجين هي المسيطرة. بشكل عام، أظهر هذا أن التعلم الآلي الهجين، ونمذجة التجميع، وتوقعات المناخ، والذكاء الاصطناعي القابل للتفسير أظهرت توقعاً شفافاً لجودة المياه الساحلية وإطار عمل لإدارة الساحل المستدامة

English Abstract

Nutrient enrichment, climate change, and anthropogenic pressures are increasingly threatening coastal water quality (CWQ), with ammonia nitrogen (NH3-N) taking a central role in eutrophication and the decline of ecosystems. This study introduced a multi-source (in-situ measurements, satellite-based features, climate forecasts) machine learning (ML) model to forecast and study CWQ dynamics. Models such as Artificial Neural Networks, Support Vector Machines, and Extreme Learning Machines (ELM) were created as baseline models, and feature selection was handled using Mutual Information and Recursive Feature Elimination (RFE). ELM was further optimised with metaheuristic algorithms; the ELM- Grey Wolf Optimization (GWO) model tended to perform better accuracy with determination coefficient (R2 = 0.96) and was statistically significant (p < 0.05) to improve predictive accuracy. Additionally, the ensemble learning methods that included Extreme Gradient Boosting, Light Gradient Boosting Machine, Random Forest, and Gradient Boosting were applied, and the Stacking-Gradient boosting decision tree (GBDT) model performed better than each model individually, showing an R2 = 0.882. Coupled Intercomparison Model Project Phase 6 scenarios (SSP2-4.5 and SSP5-8.5) were used to evaluate the effects of climate change by estimating the future changes in chlorophyll and turbidity and found that the changes were comparatively stable at moderate levels of emissions and could shift significantly at the end of the century under high emissions. Using embeddings of high-dimensional satellites enhanced the accuracy of the spatial modeling and showed a good correspondence with observed ecological trends. SHAP model interpretability, partial dependence and advanced local explanation methods identified significant drivers such as chlorophyll, suspended solids, nutrients, salinity, and temperature with non-linear and threshold-dependent influences. In addition, a climate-sensitive Water Quality Index was developed based on Delphi and AHP methods, and validated by ML models, which confirmed that dissolved oxygen and nitrogen species are predominant. Overall, this showed that hybrid ML, ensemble modeling, climate projections and explainable artificial intelligence showed a transparent CWQ prediction and sustainable coastal management framework